CN110376897B - 一种基于ga-bfo的家庭能量多目标优化方法 - Google Patents
一种基于ga-bfo的家庭能量多目标优化方法 Download PDFInfo
- Publication number
- CN110376897B CN110376897B CN201910712534.XA CN201910712534A CN110376897B CN 110376897 B CN110376897 B CN 110376897B CN 201910712534 A CN201910712534 A CN 201910712534A CN 110376897 B CN110376897 B CN 110376897B
- Authority
- CN
- China
- Prior art keywords
- time
- user
- maximum
- load
- equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000006870 function Effects 0.000 claims abstract description 58
- 238000012546 transfer Methods 0.000 claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 46
- 230000001580 bacterial effect Effects 0.000 claims description 26
- 230000005611 electricity Effects 0.000 claims description 25
- 241000894006 Bacteria Species 0.000 claims description 19
- 238000013508 migration Methods 0.000 claims description 17
- 230000002431 foraging effect Effects 0.000 claims description 16
- 238000007599 discharging Methods 0.000 claims description 12
- 230000002068 genetic effect Effects 0.000 claims description 9
- 230000036541 health Effects 0.000 claims description 9
- 238000009395 breeding Methods 0.000 claims description 8
- 230000001488 breeding effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 3
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 230000005012 migration Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 description 11
- 230000006399 behavior Effects 0.000 description 10
- 230000014509 gene expression Effects 0.000 description 9
- 230000035772 mutation Effects 0.000 description 6
- 238000010248 power generation Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000010438 heat treatment Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008485 antagonism Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009401 outcrossing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于GA‑BFO的家庭能量多目标优化方法，根据家庭用电设备的负荷特性和用户需求对家庭用电设备分类，对可调度设备建立控制模型与优化约束；分别建立电力成本最小、PAR最小以及用户舒适度最大三个优化目标函数；建立负荷转移的目标函数式并采用GA‑BFO算法对目标函数求解得到家庭可调度设备的次日安排；在调度日内，当系统接收到用户的重新调度请求时，记录需要重新调度的设备的信息，建立目标函数式，并将实时调度问题转化为背包问题，采用动态方程进行求解，得到需要重新调度的设备的实时调度安排，完成多目标优化。用于对家庭中的可调度用电设备及电动汽车的用电方式进行协调管理，能有效减小家庭用电成本，降低PAR并提高用户舒适度。
Description
技术领域
本发明属于家庭能量管理技术领域，具体涉及一种基于GA-BFO的家庭能量多目标优化方法。
背景技术
随着我国科技的进步和经济的发展，用电规模不断增加，用电峰均比(PAR)也不断增加，然而，传统电网调节能力有限，为满足峰值时段电力需求，导致非峰值时段资源的浪费，电网稳定性差。此外，由于能源危机以及环境恶化，电网急需以风光发电为代表的可再生能源并网发电，然而，风光发电具有复杂的随机性和波动性，仅靠供电侧的调节能力难以解决大规模新能源入网后的供需平衡问题，导致可再生能源并网难。
为克服传统电网面临的挑战，智能电网(Smart Grid,SG)的概念正在发展，它在现有的电力系统中集成了双向通信技术，通过需求侧管理(Demand Side Management,DSM)技术充分发挥了需求侧的调节作用，它通过需求响应(Demand Response,DR)实现“削峰填谷”，提高用电效率，维持电网的稳定性，并为新能源入网提供条件。
传统的需求侧管理主要针对工商业等大型电力用户展开，然而，目前居民用户用电量约占社会总用电量的三分之一，节能潜力较大。此外，智能家居的出现使得居民用户端的单向信息流变为双向信息流，用户可以及时了解电网的实时动态，参与需求响应项目，合理安排用电方案和响应策略。综上，针对居民家庭开展切合用户实际利益的家庭能量管理系统(Home Energy Management System,HEMS)研究，对提高用户的用电效率和经济性，电网实现“削峰填谷”，为可再生能源并网发电提供条件均有重要意义。
智能电网环境下家庭能量管理系统的功能需求包括：
(1)支持需求响应在居民侧的实施；
(2)支持风力发电、光伏发电等分布式可再生能源入网；
(3)支持大规模电动汽车安全接入电网。
这要求家庭能量管理系统在调度策略中考虑电力成本以及PAR等优化目标，同时，随着人们经济水平的提高，在考虑经济性的同时也不能忽略用户的舒适性。综上，研究需求侧家庭能量的多目标优化管理具有重要意义。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于GA-BFO的家庭能量多目标优化方法，包含日前优化调度策略以及实时优化调度策略两部分，采用GA-BFO对日前优化调度策略进行求解，并将实时优化策略转化为背包问题进行求解。该方法同时考虑了用户最小用电成本、最小PAR以及最大舒适度三个优化目标，并对各优化目标及其相关约束条件建立了函数表达式。该方法用于对家庭中的可调度用电设备及电动汽车的用电方式进行协调管理，能有效减小家庭用电成本，降低PAR并提高用户舒适度。
本发明采用以下技术方案：
一种基于GA-BFO的家庭能量多目标优化方法，根据家庭用电设备的负荷特性和用户需求将家庭用电设备分为可调度设备和不可调度设备，对可调度设备建立控制模型与优化约束；分别建立电力成本最小、PAR最小以及用户舒适度最大三个优化目标函数；根据用户负荷需求和电网电价得到目标负荷曲线，建立负荷转移的目标函数式，并采用GA-BFO算法对目标函数进行求解，得到家庭可调度设备的次日安排；在调度日内，当系统接收到用户的重新调度请求时，记录需要重新调度的设备的信息，建立目标函数式，并将实时调度问题转化为背包问题，采用动态方程进行求解，得到需要重新调度的设备的实时调度安排，完成多目标优化。
具体的，可调度设备包括电热水器、HVAC和电动汽车，电热水器的控制模型为：
其中，hheater为电热水器开关状态决策量，0表示不能进入开启状态，1表示可以进去开启状态；
分别为用户设定的电热水器水温舒适范围上、下限；
HVAC系统的控制模型为：
其中，hAC为HVAC系统开关状态决策量，0表示不能进入开启状态；1表示可以进入开启状态；
和
分别为用户设定的房间温度舒适范围上、下限；
电动汽车的控制模型为：
其中，hEV为电动汽车的用电状态决策量，0表示电动汽车不能充电也不能放电，1表示可以进行充电操作，-1表示可以进行放电操作；SOC为电动汽车电池的SOC；λemg为用户设定的电池电量应急系数，当电池电量低于该应急系数时，应立即进行充电；
为电动汽车的充放电状态改变决策量，1表示允许切换充放电状态，0表示不允许切换池充放电状态，其取值定义如下：
其中，tini为充放电操作开始时刻；tlen为预设的充放电最短持续时间。
具体的，以最小用电成本、最小PAR以及最大舒适度作为优化目标，具体如下：
假设将调度区间平均划分为N个时隙，最小用电成本的目标函数为：
其中，loadobj(t)为目标负荷曲线在t时刻的值，price(t)为t时刻的电价；
最小PAR的目标函数为：
O2＝min(PAR)
其中，PAR表示家庭一天的总的负荷曲线的峰均比，loadsch为包含调度后的负荷曲线在N个时刻的值的列表；
最大舒适度的目标函数为：
O3＝max(comfort)
其中，Tde(d)表示用户发出请求的时间，Tsch(d)为调度后设备的运行时间。
进一步的，具有以下约束：
电热水器温度约束为：
其中，
为用户设定的计划使用电热水器的时间；
HVAC系统温度约束为：
其中，
为用户设定的计划使用HVAC系统的时间；
电动汽车电池的电荷状态约束为：
SOCmin≤SOC(t)≤SOCmax
SOC(td)＝SOCmax
其中，SOCmin、SOCmax为最小、最大允许SOC，SOC(td)为用户设定的计划使用电动汽车的时间；
电动汽车充放电状态约束为：
Pchar(t)×Pdischar(t)＝0
具体的，系统进行日前调度，首先建立合理的目标负荷曲线解决最小电力成本和PAR之间的权衡问题，通过最小化调度负荷曲线与目标负荷曲线之间的偏差实现最小电力成本和PAR。
进一步的的，目标负荷曲线Loadobj计算式如下：
其中，loadobj(t)为目标负荷曲线在t时刻的值，Loadunsch为未调度负荷曲线在N个时刻的值的列表，price(t)为t时刻的电价，Price为包含了N个时刻电价的列表；
该目标负荷曲线具有与电网电价呈反比关系的特点：
负荷转移的目标函数O4为：
调度后负荷曲线在t时刻的loadsch(t)计算如下：
其中，P(d)为设备d的额定功率，α(t,d)为0、1变量，表示t时刻设备d的运行状态。
具体的，GA-BFO算法采用遗传算法中的交叉、变异步骤取代细菌觅食算法中的消除-迁徙步骤进行全局搜索，具体为：
S301、随机产生初始细菌种群，得到初始种群中每个个体的位置θ，根据细菌所处位置计算其适应度J，然后细菌进行一次趋向行为，改变细菌个体的位置，判断是否达到最大趋向次数，如果没有达到最大趋向次数，重新计算个体适应度函数值；
S302、如果达到最大趋向次数，计算每个细菌个体的健康度，然后选取健康度较优的个体进行繁殖，判断是否达到最大繁殖次数；如果没有达到最大繁殖次数，重新计算个体适应度函数值；
S303、如果达到最大繁殖次数，根据轮盘赌的方法选取个体进行交叉、变异步骤，判断是否达到最大消除-迁徙次数，如果达到最大消除-迁徙次数，计算细菌个体的最小成本，得到最优解，如果没有达到最大消除-迁徙次数，重新计算个体适应度函数值。
进一步的，步骤S301中，个体适应度函数值J为：
J(i,j,k,l)＝Ff(θ(i,j,k,l))
细菌进行一次趋向行为，改变细菌个体的位置，其位置更新为：
其中，(i,j,k,l)表示第i个细菌个体处于第j次趋向行为、第k次繁殖行为且第l次消除-迁徙行为时，Ff为适应度函数，对应负荷转移的目标函数O4。
进一步的，步骤S302中，健康度Jhealth(i)计算如下：
其中，Nc为设定的最大趋向次数。
具体的，当系统接收到用户的重新调度请求时，记录用户要求调度的设备：
记录当前的可调度时间Timeaval、设备c所需运行时长Workc，然后执行实时调度策略；
采用加权求和的方法，根据前面提到的最小电力成本和PAR由最小负荷曲线与目标曲线的偏差获得目标函数F为：
F＝λ×O3+(1-λ)×O4
其中，λ为用户偏好，O3为最大舒适度的目标函数，O4为负荷转移的目标函数；
将实时调度问题表述为背包问题，采用动态方程m(i,j)对目标函数进行求解，动态方程m(i,j)具体如下：
其中，可调度时间为背包的总容量Knapcap＝Timeaval，设备c所需运行时长为物品的重量Weightc＝Workc，设备c在运行时段的目标函数值作为物品的价值Valuec＝Fc。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种基于GA-BFO的家庭能量多目标优化方法，采用新的GA-BFO对日前优化调度策略进行求解，其求解结果优于当前常用的单一智能化算法的求解结果，采用GA-BFO求解得到以最小用电成本以及降低PAR为优化目标的次日用电安排，能比单一的GA算法或BFA算法结果更好，即成本和PAR值都更低，实现家庭能量多目标优化管理。
进一步的，在调度日内允许用户临时请求开启或关闭某用电设备，并能对其余设备进行实时重新调度安排，使系统具有一定的灵活性，提高了用户的舒适度。
进一步的，在日前调度的基础上增加实时调度是为了给系统增加灵活性，当用户临时需要开启或关闭某些设备时系统可以对设备进行重新调度，以满足用户舒适度的要求，转化为背包问题是因为相比于传统的设置优先级的方法，背包问题求解更灵活，能同时兼顾到三个优化目标。
进一步的，同时考虑包含用户最小用电成本、最小PAR和最大舒适度的多优化目标，能同时满足家庭与电网的不同利益需求。
综上所述，本发明方法能有效减少家庭用电成本以及PAR，同时提高用户舒适度，实现多目标优化。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的GA-BFO流程图；
图2为本发明的基于GA-BFO的家庭能量多目标优化方法流程图。
具体实施方式
本发明提供了一种基于GA-BFO的家庭能量多目标优化方法，适用于智能电网环境下的家庭能量管理系统(HEMS)中，为用户提供家庭用电设备以及电动汽车的最佳用电方案。该方法包含日前优化调度策略以及实时优化调度策略两部分。其中日前优化调度策略以最小用电成本以及降低PAR为优化目标，采用负荷转移的方法：首先建立合理的目标负荷曲线来解决最小电力成本和PAR之间的权衡问题，通过最小化调度负荷曲线与目标负荷曲线之间的偏差实现最小电力成本和PAR。并采用GA-BFO进行求解。实时优化调度策略以提高用户舒适度同时兼顾电力成本与PAR为优化目标，采用加权求和的方法解决三者之间的对抗性，将实时优化调度问题转换为背包问题进行求解。本发明方法能有效减少家庭用电成本以及PAR，同时提高用户舒适度，实现多目标优化。
本申请提出一种新的基于细菌觅食算法(BFA)的改进算法，该算法适用于多约束条件下的多目标优化问题的求解。即遗传-细菌觅食优化算法(GA-BFO)。传统的细菌觅食算法主要包含趋向行为、繁殖行为以及消除-迁徙行为，遗传算法主要包含复制、交叉和变异步骤。细菌觅食算法强调的是局部搜索能力，其趋向行为能使细菌群体在小范围内不断靠近最优解，然而细菌觅食算法中的消除-迁徙行为却是完全随机的，他有可能导致整个细菌群体远离最优解，而遗传算法(GA)强调的是全局搜索能力，其特点是根据轮盘赌的方法，较优个体有更大的概率被选中，并进行交叉、变异步骤，缺点是求解结果容易陷入局部最优。为了求解最优解，本申请提出将两种算法相结合，具体的改进方法为采用遗传算法中的交叉、变异步骤取代细菌觅食算法中的消除-迁徙步骤进行全局搜索。
请参阅图2，本发明一种基于GA-BFO的家庭能量多目标优化方法，研究对象为家庭中的可调度用电设备以及电动汽车。通过对可调度用电设备以及电动汽车的用电时间和用电方式的协调配合实现家庭能量多目标优化管理。该基于GA-BFO的家庭能量多目标优化方法包括以下步骤：
S1、根据家庭用电设备的负荷特性和用户需求对其进行分类，具体分为可调度设备和不可调度设备，并分别对可调度设备建立控制模型与优化约束；
该实施方式中可调度设备以及电动汽车的控制模型如下：
(1)电热水器模型
设定电热水器使用时段始终保持加热状态，针对电热水器系统使用时段和非使用时段分别建立温度模型：
电热水器非使用时段水温模型：
其中，Tw为电热水器水箱里的水温；Tair为房间温度；Pheater为电热水器的额定功率；αH为电热水器的加热状态，0表示保温状态，1表示加热状态；KF为保温性能系数；Vheater为电热水器水箱容量；ρw为水的密度；Cp为水的比热容；Δt为时间间隙。
电热水器使用时段水温模型：
其中，Vout为出水流量；Tout、Tin分别为电热水器的出水温度和进水温度。
电热水器的控制模型为：
其中，hheater为电热水器开关状态决策量，0表示不能进入开启状态，1表示可以进去开启状态；
分别为用户设定的电热水器水温舒适范围上、下限。
(2)HVAC模型
HVAC房屋系统的温度模型为：
其中，Tair为房间温度；Pair为HVAC系统额定制冷量；αAC为HVAC系统压缩机的运行状态，0表示压缩机停运，1表示压缩机运行；A1在固定建筑环境下为不变系数；B1为各热源得热引起的逐时冷负荷之和；Vair为房间体积；ρair为空气密度；Cp,air为空气定压比热容；Δt为时间间隙。
HVAC系统的控制模型为：
其中，hAC为HVAC系统开关状态决策量，0表示不能进入开启状态；1表示可以进入开启状态；
和
分别为用户设定的房间温度舒适范围上、下限。
(3)电动汽车模型
设定电动汽车的充电功率可知在最大充电功率与最小充电功率之间变化，针对电动汽车的充放电过程分别建立电池的储能模型：
其中，SOC为电动汽车电池的电荷状态(State of Charge,SOC)；ηchar、ηdischar分别为电池的充、放电效率；Pchar、Pdischar分别为电池的充、放电功率；αEV为电动汽车的用电状态，0表示断开电动汽车与电网的连接，1表示电动汽车处于充电状态；-1表示电动汽车处于放电状态；Br为电动汽车电池的额定容量；Δt为时间间隙。
电动汽车的控制模型为：
其中，hEV为电动汽车的用电状态决策量，0表示电动汽车不能充电也不能放电，1表示可以进行充电操作，-1表示可以进行放电操作；SOC为电动汽车电池的SOC；λemg为用户设定的电池电量应急系数，当电池电量低于该应急系数时，应立即进行充电；
为电动汽车的充放电状态改变决策量，1表示允许切换充放电状态，0表示不允许切换池充放电状态，其取值定义如下：
其中，tini为充放电操作开始时刻；tlen为预设的充放电最短持续时间。
S2、分别建立电力成本最小、PAR最小以及用户舒适度最大三个优化目标的函数表达式；相关函数表达式具体如下：
(1)用户电力成本最小
假设将调度区间平均划分为N个时隙，loadobj(t)为目标负荷曲线在t时刻的值，price(t)为t时刻的电价，该式子的含义为该时刻的负荷值乘上电价，然后对N个时刻的电力成本求和，得到总的调度区间的电力成本。
(2)PAR最小
O2＝min(PAR)
其中，Loadsch为包含调度后的负荷曲线在N个时刻的值的列表，该式是指在调度区间内负荷曲线最大值与负荷曲线平均值的比，PAR是衡量负荷曲线波动情况的常用指标，可避免负荷调度时因过分追求经济性而产生新的用电峰值。
(3)舒适度最大
O3＝max(comfort)
舒适度的衡量与用户临时要求重新调度所需设备的等待时间有关，用户舒适度与该等待时间成反比，等待时间计算式如下，Tde(d)表示用户发出请求的时间，Tsch(d)为调度后设备的运行时间。
该实施方式中具有以下约束：
(1)电热水器温度约束，表达式为：
其中，
为用户设定的计划使用电热水器的时间。
(2)HVAC系统温度约束，表达式为：
其中，
为用户设定的计划使用HVAC系统的时间。
(3)电动汽车电池的电荷状态约束，表达式为：
SOCmin≤SOC(t)≤SOCmax
SOC(td)＝SOCmax
其中，SOCmin、SOCmax为最小、最大允许SOC，SOC(td)为用户设定的计划使用电动汽车的时间。
(4)电动汽车充放电状态约束，表达式为：
Pchar(t)×Pdischar(t)＝0
S3、系统进行日前调度：根据用户负荷需求和电网电价计算得目标负荷曲线，建立负荷转移的目标函数式，并采用GA-BFO算法对目标函数进行求解，得到家庭可调度设备的次日安排；
本阶段的优化目标：最小电力成本和PAR
本阶段采用负荷转移的方法：首先建立合理的目标负荷曲线来解决最小电力成本和PAR之间的权衡问题，通过最小化调度负荷曲线与目标负荷曲线之间的偏差实现最小电力成本和PAR。
目标负荷曲线Loadobj计算式如下：
其中，loadobj(t)为目标负荷曲线在t时刻的值，Loadunsch为未调度负荷曲线在N个时刻的值的列表，price(t)为t时刻的电价，Price为包含了N个时刻电价的列表。
该目标负荷曲线具有与电网电价呈反比关系的特点：
且考虑了负荷曲线的波动性，能有效减小电力成本，且能避免因过分追求经济性而导致在非峰值时段出现新峰值。则当调度负荷曲线不断接近目标负荷负荷曲线时，能实现最小电力成本和PAR的多目标优化。
由此可得到负荷转移的目标函数表达式：
其中，调度后负荷曲线在t时刻的值由下式计算：
其中，P(d)为设备d的额定功率，α(t,d)为0、1变量，表示t时刻设备d的运行状态。
为了求解以上目标函数，本研究基于遗传算法和细菌觅食算法提出了一种新的混合优化算法，首先，根据其它学者的研究分析可知，任何启发式算法都可以分为局部优化能力和全局优化能力，而遗传算法在许多研究中都表现出了出色的全局优化能力，其特点是根据轮盘赌的方法，较优个体有更大的概率被选中，并进行交叉、变异步骤；对于细菌觅食算法则强调的是局部优化能力，其趋向行为能使细菌群体在小范围内不断靠近最优解，然而细菌觅食算法中的消除-迁徙行为却是完全随机的，他有可能导致整个细菌群体远离最优解。针对以上两个算法的优缺点，本发明提出了一种基于两者的混合优化算法GA-BFO。
采用遗传算法中的交叉、变异步骤取代细菌觅食算法中的消除-迁徙步骤进行全局搜索。请参阅图1，具体步骤如下：
S301、根据要解决的问题设定初始化参数，包括解空间的维度、细菌个数、最大趋向次数、最大游泳次数、最大繁殖次数、最大消除-迁徙次数等，随机产生初始细菌种群的个体位置θ，然后计算个体适应度函数值J，适应度函数值由负荷转移的目标函数O4算得，每个细菌个体根据细菌觅食算法中游泳-翻转机制进行依次趋向行为，判断是否达到最大趋向次数；
如果没有达到最大趋向次数，重新计算个体适应度函数值。
J(i,j,k,l)＝Ff(θ(i,j,k,l))
细菌进行一次趋向行为，改变细菌个体的位置，其位置更新表达式如下：
S302、如果达到最大趋向次数，计算每个细菌个体的健康度，然后选取健康度较优的个体进行繁殖，判断是否达到最大繁殖次数；如果没有达到最大繁殖次数，重新计算个体适应度函数值；
健康度计算如下式：
对细菌的Nc次趋向行为的适应度求和，选出所处位置较优的个体。
S303、如果达到最大繁殖次数，根据轮盘赌的方法选取个体进行交叉、变异步骤，判断是否达到最大消除-迁徙次数，如果达到最大消除-迁徙次数，计算细菌个体的最小成本，得到最优解，如果没有达到最大消除-迁徙次数，重新计算个体适应度函数值。
S4、在调度日内，当系统接收到用户的重新调度请求时进行实时调度：系统记录需要重新调度的设备的信息，建立目标函数式，并将实时调度问题转化为背包问题，采用动态方程进行求解，得到需要重新调度的设备的实时调度安排。
当系统接收到用户的重新调度请求时，将会记录用户要求调度的设备：
并记录当前的可调度时间Timeaval、设备c所需运行时长Workc，然后执行实时调度策略。
实时调度的优化目标为：提高用户舒适度同时兼顾电力成本与PAR。
为了解决三者之间的对抗性，本研究采用加权求和的方法，根据前面提到的最小电力成本和PAR可由最小负荷曲线与目标曲线的偏差获得，则目标函数为：
F＝λ×O3+(1-λ)×O4
其中，λ为用户偏好，当λ为0时，表示忽略用户舒适度。
将实时调度问题表述为背包问题，并采用动态方程对目标函数进行求解，动态方程m(i,j)具体如下：
其中，可调度时间为背包的总容量Knapcap＝Timeaval，设备c所需运行时长为物品的重量Weightc＝Workc，设备c在运行时段的目标函数值作为物品的价值Valuec＝Fc。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (2)
1.一种基于GA-BFO的家庭能量多目标优化方法，其特征在于，根据家庭用电设备的负荷特性和用户需求将家庭用电设备分为可调度设备和不可调度设备，对可调度设备建立控制模型与优化约束；分别建立电力成本最小、PAR最小以及用户舒适度最大三个优化目标函数；根据用户负荷需求和电网电价得到目标负荷曲线，建立负荷转移的目标函数式，并采用GA-BFO算法对目标函数进行求解，得到家庭可调度设备的次日安排；在调度日内，当系统接收到用户的重新调度请求时，记录需要重新调度的设备的信息，建立目标函数式，并将实时调度问题转化为背包问题，采用动态方程进行求解，得到需要重新调度的设备的实时调度安排，完成多目标优化；
以最小用电成本、最小PAR以及最大舒适度作为优化目标，具体如下：
将调度区间平均划分为N个时隙，最小用电成本的目标函数为：
其中，loadsch(t)为调度后目标负荷曲线在t时刻的值，price(t)为t时刻的电价；
最小PAR的目标函数为：
O2＝min(PAR)
其中，PAR表示家庭一天的总的负荷曲线的峰均比，loadsch为包含调度后的负荷曲线在N个时刻的值的列表；
最大舒适度的目标函数为：
O3＝max(comfort)
其中，Tde(d)表示用户发出请求的时间，Tsch(d)为调度后设备的运行时间；
具有以下约束：
电热水器温度约束为：
其中，
为用户设定的计划使用电热水器的时间；
HVAC系统温度约束为：
其中，
为用户设定的计划使用HVAC系统的时间；
电动汽车电池的电荷状态约束为：
SOCmin≤SOC(t)≤SOCmax
SOC(td)＝SOCmax
其中，SOCmin、SOCmax为最小、最大允许SOC，SOC(td)为用户设定的计划使用电动汽车的时间；
电动汽车充放电状态约束为：
Pchar(t)×Pdischar(t)＝0
系统进行日前调度，首先建立合理的目标负荷曲线解决最小电力成本和PAR之间的权衡问题，通过最小化调度负荷曲线与目标负荷曲线之间的偏差实现最小电力成本和PAR；
目标负荷曲线Loadobj计算式如下：
其中，loadobj(t)为目标负荷曲线在t时刻的值，Loadunsch为未调度负荷曲线在N个时刻的值的列表，price(t)为t时刻的电价，Price为包含了N个时刻电价的列表；
该目标负荷曲线具有与电网电价呈反比关系的特点：
负荷转移的目标函数O4为：
调度后负荷曲线在t时刻的loadsch(t)计算如下：
其中，P(d)为设备d的额定功率，α(t,d)为0、1变量，表示t时刻设备d的运行状态；
GA-BFO算法采用遗传算法中的交叉、变异步骤取代细菌觅食算法中的消除-迁徙步骤进行全局搜索，具体为：
S301、随机产生初始细菌种群，得到初始种群中每个个体的位置θ，根据细菌所处位置计算其适应度J，然后细菌进行一次趋向行为，改变细菌个体的位置，判断是否达到最大趋向次数，如果没有达到最大趋向次数，重新计算个体适应度函数值，个体适应度函数值J为：
J(i,j,k,l)＝Ff(θ(i,j,k,l))
细菌进行一次趋向行为，改变细菌个体的位置，其位置更新为：
其中，(i,j,k,l)表示第i个细菌个体处于第j次趋向行为、第k次繁殖行为且第l次消除-迁徙行为时，Ff为适应度函数，对应负荷转移的目标函数O4；
S302、如果达到最大趋向次数，计算每个细菌个体的健康度，然后选取健康度较优的个体进行繁殖，判断是否达到最大繁殖次数；如果没有达到最大繁殖次数，重新计算个体适应度函数值，健康度Jhealth(i)计算如下：
其中，Nc为设定的最大趋向次数；
S303、如果达到最大繁殖次数，根据轮盘赌的方法选取个体进行交叉、变异步骤，判断是否达到最大消除-迁徙次数，如果达到最大消除-迁徙次数，计算细菌个体的最小成本，得到最优解，如果没有达到最大消除-迁徙次数，重新计算个体适应度函数值；
当系统接收到用户的重新调度请求时，记录用户要求调度的设备：
记录当前的可调度时间Timeaval、设备c所需运行时长Workc，然后执行实时调度策略；
采用加权求和的方法，根据前面提到的最小电力成本和PAR由最小负荷曲线与目标曲线的偏差获得目标函数Fc为：
Fc＝λ×O3+(1-λ)×O4
其中，λ为用户偏好，O3为最大舒适度的目标函数，O4为负荷转移的目标函数；
将实时调度问题表述为背包问题，采用动态方程m(i,j)对目标函数进行求解，动态方程m(i,j)具体如下：
其中，可调度时间为背包的总容量Knapcap＝Timeaval，设备c所需运行时长为物品的重量Weightc＝Workc，设备c在运行时段的目标函数值作为物品的价值Valuec＝Fc。
2.根据权利要求1所述的基于GA-BFO的家庭能量多目标优化方法，其特征在于，可调度设备包括电热水器、HVAC和电动汽车，电热水器的控制模型为：
其中，hheater为电热水器开关状态决策量，0表示不能进入开启状态，1表示可以进去开启状态；
分别为用户设定的电热水器水温舒适范围上、下限；
HVAC系统的控制模型为：
其中，hAC为HVAC系统开关状态决策量，0表示不能进入开启状态；1表示可以进入开启状态；
和
分别为用户设定的房间温度舒适范围上、下限；
电动汽车的控制模型为：
其中，hEV为电动汽车的用电状态决策量，0表示电动汽车不能充电也不能放电，1表示可以进行充电操作，-1表示可以进行放电操作；SOC为电动汽车电池的SOC；λemg为用户设定的电池电量应急系数，当电池电量低于该应急系数时，应立即进行充电；
为电动汽车的充放电状态改变决策量，1表示允许切换充放电状态，0表示不允许切换池充放电状态，其取值定义如下：
其中，tini为充放电操作开始时刻；tlen为预设的充放电最短持续时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910712534.XA CN110376897B (zh) | 2019-08-02 | 2019-08-02 | 一种基于ga-bfo的家庭能量多目标优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910712534.XA CN110376897B (zh) | 2019-08-02 | 2019-08-02 | 一种基于ga-bfo的家庭能量多目标优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110376897A CN110376897A (zh) | 2019-10-25 |
| CN110376897B true CN110376897B (zh) | 2022-04-19 |
Family
ID=68257909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910712534.XA Active CN110376897B (zh) | 2019-08-02 | 2019-08-02 | 一种基于ga-bfo的家庭能量多目标优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110376897B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112822058B (zh) * | 2021-02-09 | 2021-11-16 | 南通大学 | 基于有效区域的多目标优化设计方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105549389A (zh) * | 2015-12-18 | 2016-05-04 | 国家电网公司 | 一种基于建筑热力学模型的家庭能量管理算法 |
| CN105844365A (zh) * | 2016-04-08 | 2016-08-10 | 北方工业大学 | 一种家庭能量管理系统的优化方法及装置 |
| CN106292286A (zh) * | 2016-09-14 | 2017-01-04 | 中国科学院电工研究所 | 一种家庭电力用户能量管理方法 |
| CN106374534A (zh) * | 2016-11-17 | 2017-02-01 | 云南电网有限责任公司玉溪供电局 | 一种基于多目标灰狼优化算法的大规模家庭能量管理方法 |
| CN107464008A (zh) * | 2016-06-02 | 2017-12-12 | 南京理工大学 | 一种大型楼宇冷热电联供系统的优化调度方法 |
| CN107844866A (zh) * | 2017-11-21 | 2018-03-27 | 云南电网有限责任公司玉溪供电局 | 一种基于帝国主义竞争算法的家庭智能用电管理方法 |
| CN108197726A (zh) * | 2017-12-11 | 2018-06-22 | 浙江科技学院 | 一种基于改进进化算法的家庭能量数据优化方法 |
-
2019
- 2019-08-02 CN CN201910712534.XA patent/CN110376897B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105549389A (zh) * | 2015-12-18 | 2016-05-04 | 国家电网公司 | 一种基于建筑热力学模型的家庭能量管理算法 |
| CN105844365A (zh) * | 2016-04-08 | 2016-08-10 | 北方工业大学 | 一种家庭能量管理系统的优化方法及装置 |
| CN107464008A (zh) * | 2016-06-02 | 2017-12-12 | 南京理工大学 | 一种大型楼宇冷热电联供系统的优化调度方法 |
| CN106292286A (zh) * | 2016-09-14 | 2017-01-04 | 中国科学院电工研究所 | 一种家庭电力用户能量管理方法 |
| CN106374534A (zh) * | 2016-11-17 | 2017-02-01 | 云南电网有限责任公司玉溪供电局 | 一种基于多目标灰狼优化算法的大规模家庭能量管理方法 |
| CN107844866A (zh) * | 2017-11-21 | 2018-03-27 | 云南电网有限责任公司玉溪供电局 | 一种基于帝国主义竞争算法的家庭智能用电管理方法 |
| CN108197726A (zh) * | 2017-12-11 | 2018-06-22 | 浙江科技学院 | 一种基于改进进化算法的家庭能量数据优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 家庭能量管理系统多目标能量调度优化策略;李中伟 等;《自动化仪表》;20190430;第40卷(第4期);第46-51页 * |
| 需求侧管理下智能家庭用电多目标优化控制;鲍毅 等;《智能系统学报》;20180228;第13卷(第01期);第125-130页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110376897A (zh) | 2019-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107482638B (zh) | 冷热电联供型微电网多目标动态优化调度方法 | |
| CN105591406B (zh) | 一种基于非合作博弈的微电网能量管理系统的优化算法 | |
| CN108154309B (zh) | 计及冷热电多负荷动态响应的能源互联网经济调度方法 | |
| CN106228258B (zh) | 一种计及需求侧管理的家庭能源局域网能量优化控制方法 | |
| CN112464477A (zh) | 计及需求响应的多能耦合综合能源运行仿真方法 | |
| CN111339689B (zh) | 建筑综合能源调度方法、系统、存储介质及计算机设备 | |
| CN106527135B (zh) | 一种建筑能量管理系统优化控制方法和装置 | |
| CN112419087B (zh) | 一种聚合综合能源楼宇的虚拟电厂日前优化调度方法 | |
| CN112800658A (zh) | 一种考虑源储荷互动的主动配电网调度方法 | |
| CN103151797A (zh) | 基于多目标调度模型的并网运行方式下微网能量控制方法 | |
| Elkholy et al. | Dynamic centralized control and intelligent load management system of a remote residential building with V2H technology | |
| Wang et al. | Pareto tribe evolution with equilibrium-based decision for multi-objective optimization of multiple home energy management systems | |
| CN111917140B (zh) | 一种新能源互补发电系统二层优化调度模型 | |
| CN110752629B (zh) | 一种交直流混合家庭微电网能量优化管理方法 | |
| CN110474370B (zh) | 一种空调可控负荷、光伏储能系统的协同控制系统及方法 | |
| CN113809755A (zh) | 一种基于需求响应的智慧楼宇节能优化控制方法 | |
| CN111047097A (zh) | 一种综合能源系统日中滚动优化方法 | |
| CN115170343A (zh) | 一种区域综合能源系统分布式资源和储能协同规划方法 | |
| CN116167573A (zh) | 一种高铁站综合能源需求响应优化调度方法及相关装置 | |
| CN106611992A (zh) | 一种可移动、可远程控制的智能型家用储能系统 | |
| CN112100743A (zh) | 适用于平抑新能源出力波动的电动汽车虚拟机组调控方法 | |
| CN115912419A (zh) | 一种基于负荷聚合商的储热-储电协同调度方法 | |
| CN118485208A (zh) | 知识融合深度强化学习的计及舒适度的家庭能量调度方法 | |
| Yi et al. | Research of building load optimal scheduling based on multi-objective estimation of distributed algorithm | |
| CN110376897B (zh) | 一种基于ga-bfo的家庭能量多目标优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |